买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利基于机器学习的仿生自相似分层结构性能预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115455782B 。

龙图腾网通过国家知识产权局官网在2025-07-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211156512.8，技术领域涉及：G06F30/23；该发明授权基于机器学习的仿生自相似分层结构性能预测方法是由梁鸿宇;卢春达;刘百川;王登峰;田广东;蒲永锋;马芳武设计研发完成，并于2022-09-22向国家知识产权局提交的专利申请。

本基于机器学习的仿生自相似分层结构性能预测方法在说明书摘要公布了：本发明公开基于机器学习的仿生自相似分层结构性能预测方法，用有限元仿真或者实验方法得到该结构模型的初始数据库，并对初始数据库中的数据进行清理；用GA进行变量筛选，根据帕累托占优思想对筛选的变量进行优劣处理，通过随机选取建立BP神经网络模型的训练和测试数据集；用十折交叉验证法结合R^2的评价方法确定最终数据集选择方式以及对应的权值与阈值；建立最终的神经网络模型，并通过测试数据集对上述模型进行预测结果评估。本发明利用机器学习与已知数据相结合，利用数据进行驱动的模式对该结构的吸能性能进行预测，当仿生自相似分层结构的几何参数或者种类等发生变化时，只需要通过改变模型中有限变量就能得到新的模型以适应新的结构。

本发明授权基于机器学习的仿生自相似分层结构性能预测方法在权利要求书中公布了：1.基于机器学习的仿生自相似分层结构性能预测方法，其特征在于，包括以下步骤： S1：采集数据，通过有限元仿真或者实验方法得到的数据作为建立仿生自相似分层结构模型的初始数据库，所述初始数据库包括材料的力学性能； S2：对初始数据库中的数据进行清理；通过实验以及仿真的方式调节S1中初始数据库中的属性参数，通过对最终性能的影响大小来对数据进行清理和剔除； S3：采用遗传算法对S2中的数据进行变量筛选，获得后续纳入模型的变量，根据帕累托占优思想对筛选的变量进行优劣处理，并将优劣处理后的数据作为总数据库； S4：通过随机方法选择建立BP神经网络模型的训练数据集和测试数据集；采用十折交叉验证方法将S3中的总数据库分为十组，随机抽取80％的数据作为BP神经网络的训练数据集，并将剩余的20％数据作为模型的测试数据集；所述训练数据集用于BP神经网络模型参数的确定及其模型的建立，所述测试数据集用于对后续建立模型预测效果的评估； S5：通过S4中得到的所有训练数据集和与其对应的测试数据集建立多个BP神经网络模型，且每个神经网络模型均重复运行10次，通过10次中模型拟合的R^2结果确定每一个模型最优的权值与阈值；用十折交叉验证方法验证结合R^2的评价方法确定多个模型中最优模型的数据集选择方式以及对应的权值与阈值； S6：确定网络参数，所述网络参数包括网络层数、网络节点数、激活函数、选择单层隐含层；所述隐含层节点数公式为： 其中：Nh为隐含层节点数，Nin为输入层节点数，对于BP神经网络而言，输入层节点数为输入特征数，Nout为输出层节点数，h为1-10中任意一个的调节常数； S7：通过测试数据集对已经建立好的神经网络模型进行预测结果评估；将基于S6中的参数而建立好的神经网络模型应用到S4中划分好的测试数据集中进行模型验证，并通过实验或仿真得到的实际测试数据集中的数据与模型预测出的结果进行对比，通过网络模型结果中的网络训练回归对模型的预测能力进行评价； S8：采用正确率评价公式对S7中的模型预测结果进行评估；正确率评价公式为： 其中R为模型预测结果的正确率，n为测试正确的次数，N为所有的测试次数； S9：适当调整所选随机数据所占比例对模型结果进行测试；调整S4中的训练数据集和测试数据集的所占比例，改为随机抽取90％或70％作为训练数据集，将剩余的10％或30％作为测试数据集，并重复上述S5至S8进行重复运算，已确定模型预测的结果与实际结果之间的差值，评价模型对于比例的依赖程度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市南关区人民大街5988号吉林大学南岭校区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。